[發明專利]基于三維稠密連接卷積神經網絡的高光譜圖像分類方法

有效

• 申請號: 201810243423.4
• 申請日: 2018-03-23
• 公開（公告）號: CN108491849B
• 公開（公告）日: 2021-09-28
• 發明（設計）人: 竇曙光;王文舉;姜中敏
• 申請（專利權）人: 上海理工大學
• 主分類號: G06K9/46
• 分類號: G06K9/46;G06K9/62;G06K9/00
• 代理公司: 上海德昭知識產權代理有限公司 31204
• 代理人: 郁旦蓉

本發明提供了一種基于三維稠密連接卷積神經網絡的高光譜圖像分類方法，具有這樣的特征，包括以下步驟：步驟一，輸入高光譜圖像的三維立方數據塊；步驟二，用三維稠密光譜塊處理三維立方數據塊得到譜間特征圖；步驟三，用三維過渡層處理譜間特征圖得到壓縮特征圖；步驟四，用三維稠密空間譜塊處理壓縮特征圖得到空間特征圖；步驟五，空間特征圖經過池化層、壓縮層、dropout層、全連接層得到預測標簽向量；步驟六，確定目標函數；步驟七，將預測標簽向量代入目標函數得到迭代訓練的損失；步驟八，根據損失，優化待優化參數；步驟九，多次重復步驟一至五、七、八，多次優化待優化參數得到損失最小時的預測標簽向量，即高光譜圖像的分類結果。

技術領域

本發明涉及一種高光譜圖像分類的方法，具體涉及一種基于三維稠密連接卷積神經網絡的高光譜圖像分類方法。

背景技術

傳統的僅有的少量信息的普通圖像只有很窄的可見光波段。高光譜傳感器一般有上百個波段，每個波段獨立的吸收該波段范圍內的信號，根據不同的物質對每一個波段的光譜的不同反饋信號生成相應的二維圖像，所有的波段的數據最終在一起形成一個多通道的三維數據。因此，高光譜圖像包含大量的信息，有很多典型應用，如被用于民事和軍事領域中高光譜圖像目標檢測。其中，高光譜圖像分類在遙感領域中有著非常重要的作用。

對于高光譜圖像分類，機器學習相關算法及不同的特征提取方法已被許多學者應用于高光譜圖像分類。2015年，Li提出了一種采用局部二進制模式(LBPs)提取圖像特征加上結構簡單的高效極限學習機(ELM)作為分類器的框架。該實驗結果表明LBP在空間特征提取上十分有效，并且與基于支持向量學習機(SVM)的方法相比，ELM 分類器更加高效。然而，相比LBP特征提取方法，HSI的復雜的光譜與空間信息需要更復雜巧妙的特征選擇方法(LiW,Chen C,Su H,et al.Local Binary Patterns and Extreme Learning Machine forHyperspectral Imagery Classification[J].IEEE Transactions on Geoscience andRemote Sensing,2015,53(7):3681-3693.)。Deng等人提出一種基于HSI的微紋理(microtexture)的HSI分類框架。該框架將局部響應模式(LRP)推廣到紋理增強(TE)中來表示HSI，利用判別局部保持投影(Discriminated Locality Preserving Projection，DLPP) 降低HSI的數據維度。但該框架沒有利用HSI的光譜信息，性能可以進一步的提高(Deng S,Xu Y,He Y,et al.A hyperspectral image classification framework and its application[J].Information Sciences, 2015,299(Supplement C):379-393.)。Jimenez等人將一種區域-增長的多分辨率分割算法應用于HSI分類的后處理中，以提高分類技術的性能。該方法將分類與分割相結合，顯著提升了分類結果，但其主要缺點是多分辨率算法優化的成本(Jimenez L I,PlazaA,Ayma V A,et al. Segmentation as postprocessing forhyperspectral image classification[C]. International Conference on Computeras a Tool,IEEE EUROCON 2015, September 8,2015-September 11,2015,2015.)。2016年，Huang等人結合光譜與空間信息融合可有效提高HSI的分類精度，提出了一種基于KNN的高光譜圖像分類方法。該方法利用KNN濾波算法來改進由SVM得到的高光譜像素分類概率圖，結合不同像素的值和空間坐標來進行圖像的聯合濾波，從而同時利用了HSI的光譜和空間信息 (Huang K,Li S,Kang X,et al.SpectralSpatial Hyperspectral ImageClassification Based on KNN[J].Sensing and Imaging,2016,17(1): 1-13.)。